Genetik Algoritma — Evrimsel Optimizasyon
Genetic Algorithm — Evolutionary Optimization · Ayrıca şöyle bilinir: GA, evolutionary algorithm, Genetik Algoritma — Evrimsel Optimizasyon
Genetik algoritma (GA), John Henry Holland (1975) tarafından tanıtılan ve doğal seçilim prensiplerini taklit eden, popülasyon tabanlı bir meta-sezgisel optimizasyon yöntemidir. Aday çözümlerden oluşan bir popülasyonu sürdürür ve bunları seçilim, çaprazlama ve mutasyon operatörleri aracılığıyla iteratif olarak iyileştirir; bu da onu klasik gradyan tabanlı yöntemlerin başarısız olduğu kesikli, dışbükey olmayan ve çok modlu arama uzaylarında özellikle güçlü kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+23 tane daha
Ne zaman kullanılır
Genetik algoritmalar, arama uzayının büyük, kesikli, türevlenemez veya yüksek derecede çok modlu olduğu — gradyan tabanlı çözücülerin çalışamadığı veya yerel optimumlara takılıp kaldığı — durumlarda uygundur. Sürekli, kategorik, ikili ve sıralı değişken türlerine uygulanırlar ve herhangi bir normallik veya dağılım varsayımı getirmezler. Tek gereksinim hesaplanabilir bir uygunluk fonksiyonudur. Analitik veya dışbükey bir formülasyonun mevcut olduğu problemler için klasik yöntemler (doğrusal programlama, gradyan inişi) daha hızlıdır ve tercih edilmelidir. Anlamlı yakınsama için yeterli iterasyon (tipik olarak 1.000 neslin oldukça üzerinde) gereklidir; çok az nesil çalıştırmak en yaygın başarısızlık modudur.
Güçlü yönler & sınırlılıklar
- Kesikli, türevlenemez ve çok modlu hedef manzaralarında çalışan ve gradyan tabanlı yöntemlerin bozulduğu yerlerde işe yarar.
- Herhangi bir dağılım varsayımı getirmez — gereken tek girdi hesaplanabilir bir uygunluk fonksiyonudur.
- Geniş bir değişken türü yelpazesini doğal olarak işler: sürekli, ikili, kategorik ve sıralı.
- Popülasyon çeşitliliği, arama uzayının birden fazla bölgesinin eş zamanlı keşfedilmesine olanak tanır, bu da erken yerel optimum tuzağı riskini azaltır.
- Yüksek derecede genişletilebilir: alana özgü çaprazlama ve mutasyon operatörleri, kısıtlama işleme ve çok amaçlı varyantlar (örneğin, NSGA-II) literatürde iyi kurulmuştur.
- Küresel optimuma yakınsama garantisi yoktur; sonuçlar çalıştırmadan çalıştırmaya değişebilir.
- Hesaplama açısından pahalıdır: her nesil tüm popülasyonun değerlendirilmesini gerektirir, bu da uygunluk fonksiyonu yavaş olduğunda yasaklayıcıdır.
- Performans, hiperparametre seçimlerine — popülasyon boyutu, çaprazlama olasılığı ve mutasyon oranı — duyarlıdır ve bunlar genellikle probleme özgü ayarlama gerektirir.
- Düzgün, dışbükey veya iyi yapılandırılmış problemler için, klasik gradyan tabanlı veya doğrusal yöntemler daha hızlı ve daha güvenilir olacaktır.
SSS
Genetik algoritma, gradyan inişten nasıl farklıdır?
Gradyan inişi türevlenebilir bir hedef gerektirir ve yerel gradyanı aşağı doğru takip eder. Genetik algoritma yalnızca aday çözüm için uygunluğun hesaplanabilmesini gerektirir; bir gradyanı takip etmek yerine bir popülasyonu evrimleştirerek arama yapar, bu nedenle gradyan inişin başarısız olduğu veya takılıp kaldığı kesikli, türevlenemez ve çok modlu manzaraları işleyebilir.
Kaç nesil ve ne kadar büyük bir popülasyona ihtiyacım var?
Evrensel kurallar yoktur; her ikisi de arama uzayının karmaşıklığına bağlıdır. Çok küçük bir popülasyon veya çok kısa bir çalıştırma, erken yakınsama riski taşır. Pratik bir başlangıç noktası olarak, 50-200 popülasyon boyutları ve 100-1.000 nesil sayısı literatürde yaygındır, ancak zorlu problemler rutin olarak daha fazlasını gerektirir. Keyfi durdurma kriterlerini sabitlemek yerine her zaman yakınsama eğrilerini inceleyin.
Genetik algoritmanın küresel optimumu bulması garanti midir?
Hayır. GA'lar sezgiseldir ve sonlu zamanda küresel optimuma yakınsama garantisi vermez. Deterministik garantiler için tam sayı programlama çözücüleri gibi kesin yöntemlere ihtiyacınız vardır. Yüksek riskli kararlar için GA'yı birden çok kez çalıştırın, sonuçların dağılımını bildirin ve en iyi çözümü bilinen herhangi bir sınıra göre karşılaştırın.
Simüle tavlama veya parçacık sürü optimizasyonu yerine ne zaman bir GA seçmeliyim?
GA'lar, çözümün doğal olarak kombinatoryal bir yapı (permütasyonlar, ikili dizeler) olarak kodlandığı veya çok amaçlı uzantıların gerektiği durumlarda tercih edilme eğilimindedir. Parçacık sürü optimizasyonu genellikle sürekli tek modlu problemlerde daha hızlıdır. Simüle tavlama, iyi tanımlanmış bir komşuluğa sahip kombinatoryal problemler için uygulaması daha basittir. Pratikte, birine karar vermeden önce iki veya üç yöntemi küçük bir problem örneğinde karşılaştırmak tavsiye edilir.
Kaynaklar
- Holland, J.H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press. link ↗
- Deb, K. (2001). Multi-Objective Optimization using Evolutionary Algorithms. Wiley. ISBN: 9780471873396
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Genetic Algorithm — Evolutionary Optimization. ScholarGate. https://scholargate.app/tr/optimization/genetic-algorithm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karınca Kolonisi OptimizasyonuOptimizasyon↔ karşılaştır
- Differential EvolutionOptimizasyon↔ karşılaştır
- NSGA-IIOptimizasyon↔ karşılaştır
- Parçacık Sürü Optimizasyonu (PSO)Optimizasyon↔ karşılaştır
- Simulated AnnealingOptimizasyon↔ karşılaştır